临床预测模型开发与部署的贝叶斯工作流程：向均值过渡

临床预测模型为每个个体提供预测（例如，估计风险），通常表现为从Logistic 回归方程这类确定性函数派生的点估计。此类‘插拔’预测隐藏了固有的不确定性。相比之下，贝叶斯方法提供了一种基于个体特定后验分布进行不确定性量化的连贯机制。然而，贝叶斯预测模型因被认为主观、计算成本高以及实施复杂而未得到广泛采用。为此，我们提出了一套实用的贝叶斯管道，用于生产和部署预测模型。主要组件包括：(i) 采用收缩先验，基于 Laplace/正态近似得到回归系数的后验分布，避免蒙特卡洌抽样；(ii) 使用个体后验均值进行决策，基于期望效用视角进行论证。对于 (i)，我们建议采用具有互补特征（简单性、用户输入、自动收缩）的先验。对于 (ii)，我们建议采用精确或近似方法计算后验均值，包括求积、MacKay 近似以及对投影预测映射的一种改编，以产生近似 mean 的简单 Logistic 方程。通过示例和仿真，我们展示，贝叶斯工作流程通常在预测性能上与插拔预测相当或更好，同时通过适当的覆盖范围实现不确定性量化。在大多数仿真中，使用后验均值预测的结果在临床效用方面常常优于插拔预测。总之，贝叶斯方法在临床预测建模和部署方面既实用又临床有优势，高度推荐。